现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示：
问题 题项 从未使用 很少使用 有时使用 经常使用 总是使用 1 2 3 4 5 a1 电脑 a2 录音磁带 a3 录像带 a4 网上资料 a5 校园网或因特网
a6 电子邮件 a7 电子讨论网 a8 CAI 课件 a9 视频会议 a10
视听会议
一．因子分析的定义
在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。
因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。 二．数学模型
i
m im i i i i U F F F F Z +++++=αααα · · · 332211
i Z 为第i 个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的
那批分数中的相对位置的。）
m F 为共同因子；
m 为所有变量共同因子的数目；
i U 为变量i Z 的唯一因素；
im α为因子负荷。（也叫因子载荷，统计意义就是第i 个变量与第m 个公共因子的相关系数,它反映了第i 个变量在
第m 个公共因子上的相对重要性也就是第m 个共同因子对第i 个变量的解释程度。）
因子分析的理想情况，在于个别因子负荷im α不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则i U 彼此间不能有关联存在。
所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷im α就是第i 个原有变量和第m 个因子变量间的相关系数，也就是i Z 在第m 个共同因子变量上的相
绝对值越大则公共因子和原有变量关系越强。在因子分析中有两个重要指针：一为“共同性”，对重要性，因此，
im
二为“特征值”。
所为共同性，也称变量共同度或者公共方差，就是每个变量在每个共同因子的负荷量的平方总和（一横列中所有因子负荷的的平方和），也就是个别变量可以被共同因子解释的变异量百分比，这个值是个别变量与共同因子间多元相关的平方。从共同性的大小可以判断这个原始变量与共同因子间的关系程度。如果大部分变量的共同度都高于0.8，则说明提取出的共同因子已经基本反映了各原始变量80%以上的信息，仅有较少的信息丢失，因子分析效果较好。而各变量的唯一因素就是1减掉该变量共同性的值，就是原有变量不能被因子变量所能解释的部分。
所谓特征值，是每个变量在某一共同因子的因子负荷的平方总和（一直行所有因子负荷的平方和），在因子分析的的共同因子抽取中，特征值最大的共同因子会最先被抽取，其次是次大者，最后抽取的共同因子的特征值会最小，通常会接近于0。将每个共同因子的特征值除以总题数，为此共同因子可以解释的变异量，因子分析的目的之一，即在因素结构的简单化，希望以最少的共同因子能对总变异量做最大的解释，因而抽取的因素越少越好，但抽取的因子的累积变异量越大越好。
三．SPSS中实现过程
（一）录入数据
（二）因子分析
1.在菜单栏中依次单击“分析”|“降维”|“因子分析”选项卡，打开如图所示“因子分析”对话框。从原变量量表中选择需要进行因子分析的变量，然后单击箭头按钮将选中的变量选入“变量”列表中。“变量列表”的变量为要进行因子分析的的目标变量，变量在区间或比率级别应该是定量变量。分类数据（如：性别等）不适合因子分析。
2.“描述按钮”：主要设定对原始变量的基本描述并对原始变量进行相关性分析。
选中“原始分析结果”复选框，表示因子分析未转轴前之共同性、特征值、变异数百分比及累积百分比，这是一个中间结果，对主成分分析来说，这些值是要进行分析变量的相关或协方差矩阵的对角元素。
KMO与Bartlett球形度检验用来检验适不适合用来做因子分析。KMO检验，检验变量间的偏相关是否很小；巴特利特球形检验，检验相关阵是否是单位阵。KMO值越接近1越适合做因子分析，巴特利特检验的原假设设为相关矩阵为单位阵，如果Sig值拒绝原假设表示变量间存在相关关系，因此适合做因子分析。
3.单击“抽取”按钮：
主要设定提取公共因子的方法和公共因子的个数。
方法：主成分分析法。SPSS默认方法。该方法假定原变量是因子变量的线性组合，第一主成分有最大的方差，后续成分可解释的方差越来越少。这是使用最多的因子提取方法。
分析：相关性矩阵。表示以相关性矩阵作为提取公共因子的依据，当分析中使用不同的尺度测量变量时比较适合。输出：未旋转的因子解。显示未旋转时因子负荷量、特征值及共同性。
碎石图。表示输出与每个因子相关联的特征值的图，该图用于确定应保持的因子个数，通常该图显示大因子的陡峭斜率和剩余因子平缓的尾部之间明显的中断。按特征值大小排列，有助于确定保留多少个因子。
抽取：基于特征值。表示抽取特征值超过指定值的所有因子，在“特征值大于”输入框中指定值，一般为1。
4.旋转：用于设定因子旋转的方法。旋转的目的是为了简化结构，以帮助解释因子SPSS默认不旋转。
方法：最大方差法：是一种正交旋转方法，他使得对每个因子有高负载的变量的数目达到最小，并简化了因子的解释。
输出：旋转解。该复选框只有在选择里旋转方法之后才能选择，对于正交旋转会显示已旋转的模式矩阵和因子变换矩阵。
5.得分：用于对因子得分进行设置，即计算因子得分。
取默认值，单击继续按钮。
6.选项：用于设定对变量缺失值的处理和系数显示的格式。
缺失值：按列表排除个案。去除所有含缺失值的个案后再进行分析。
系数显示格式：按大小排列。载荷系数按照数值的大小排列，并构成矩阵，使得在同一因子上具有较高载荷的变量的排列在一起，便于得到结论。
（三）结果分析
1.KMO及Bartlett’检验
当KMO值愈大时，表示变量间的共同因子愈多，愈适合进行因子分析，根据专家观点，如果KMO的值小于0.5时，较不宜进行因子分析，此处的KMO值为0.695，表示适合因子分析。此外Bartkett’s球形检验的原假设为相关系数矩阵为单位阵，Sig值为0.000小于显著水平0.05，因此拒绝虚无假设，说明变量之间存在相关关系，适合做因
为234.438，自由度为45，达到显著，代表母群体的相关矩阵间有共同因子子分析。（Bartkett’s球形检验的2
存在，适合进行因子分析。）
2. 共同性，显示因子间的共同性结果。
在主成分分析中，有多少个原始变量便有多少个成分，所以共同性会等于1，没有唯一因素。所以本结果中间一栏显示初试共同性都为1，则表示抽取方法为主成分分析法，最右一栏为题项的共同性。从该表可以得到，因子分析的变量共同度都非常高，表明变量中的大部分信息均能够被因子所提取，说明因子分析的结果是有效的。
3.整体解释的变异数--------旋转之前的数据。
该表给出了因子贡献率的结果，表中左侧部分为初始特征值，中间为提取主因子结果，右侧为旋转后的主因子结果。“合计”指因子的特征值，“方差的%”表示该因子的特征值占总特征值百分比，“累积%”表示累积的百分比。左边10个成分因子的特征值总和等于10。解释变异量为特征值除以题项数，如第一个特征值的解释变异量为6.385÷10=63.579%。
其中自有前三个因子的特征值大于1，并且前三个因子的特征值之和占总特征值的89.366%，因此提取前三个因子作为主因子列于右边，这也是因子分析时所抽出的公共因子数。由于特征值是由大到小排列，所以第一个公同因子的解释变异量通常是最大者，其次是第二个1.547，再是第三个1.032。
旋转后的特征值为4.389,3.137,1,411，解释变异量为43.885%，31.372%，14.108%，累积的解释变异量为43.885%，75.257%，89.366%。旋转后的特征值不同于转轴前的特征值。
4.碎石图。特征值的碎石图。
通常该图显示大因子的陡峭斜率和剩余因子平缓的尾部，之间有明显的中断。一般取主因子在非常陡峭的斜率上，而处在平缓斜率上的因子对变异的解释非常小。可以从此碎石图中看出，从第三个因素以后，坡线甚为平坦，因而可以保留3个因素较为适宜。
5.成分矩阵：给出了未旋转的因子载荷。
从该表中可以得到利用主成分分析方法提取的三个因子的载荷量，其中因子负荷量小于0.1的未被显示，因子为了方便解释因子含义，需要进行因子旋转。
6.旋转成份矩阵：给出了旋转后的因子载荷值，其中旋转方法采用的是Kaiser标准化的正交旋转法。通过因子旋
转，各个因子有了比较明确的含义。
从图中可以看出：a1,a8,a6,a5,a4位因子1，a10,a9,a7为因子2，a3，a2为因子3。题项在其所属的因子层面顺序是按照因子负荷量的高低排列的。
7.成份转换矩阵：
六．结果说明
根据因子的特征值和旋转后的因子矩阵，采用了主成分分析法抽取出3个因子作为共同因子，并使用因子旋转方法中的最大方差法，按照从大到小的顺序进行排列，使得变量与因子的关系豁然明了，对其做如下表所示的因子分析摘要表。
题项解释
变异
量累积
解释
变异
量
抽取的因子
因子1负
荷量
因子2负
荷量
因子3负
荷量
共同性
A1电脑
A8CAI课件
A6电子邮件
A5校园网或因特网A4网上资料43.88
5%
43.88
5%
0.915
0.912
0.884
0.824
0.789
0.928
0.907
0.867
0.901
0.872
A10视听会议A9视频会议
A7电子讨论网31.37
2%
75.25
7%
0.939
0.924
0.858
0.939
0.965
0.919
A录像带14.1089.360.948 0.900
A录像磁带8% 6% 0.652 0.738 特征值 4.389 3.137 1.411
2 2 SPSS 期末报告 关于员工受教育程度对其工资水 平的影响统计分析报告 SPSS 统计分析方法 姓汤重阳 号：学 三班所在班级: 目录 一、 数据样本描 述 ..................... 二、 要解决的问题描 述 ..................... 1数据管理与软件入门部分 1 1.1分类汇总 ............ 1.2个案排秩 ............ 1.3连续变量变分组变量 2统计描述与统计图表部分 2.1频数分析.…… 2.2描述统计分析 3假设检验方法部分 2 3.1分布类型检验 3.1.1 正态分布. 3.1.2 二项分布. 课程名称: 名: 人力资源管理 所在专业:
3.1.3 游程检验 (2) 3.2 单因素方差分析 (2) 3.3 卡方检验 (2) 3.4 相关与线性回归的分析方法 (2) 3.4.1 相关分析（双变量相关分析&偏相关分析） (2) 3.4.2 线性回归模型 (2) 4 高级阶段方法部分..................................... 2 三、具体步骤描述 (3) 1 数据管理与软件入门部分.................................. 3 1.1 分类汇总 (3) 1.2 个案排秩 (3) 1.3 连续变量变分组变量 (4) 5 ........................................................ 统计描述与统计图表部 分2 2.1 频数分析 (5) 2.2 描述统计分析 (6) 3 假设检验方法部分..................................... 7 3.1 分布类型检验 (7) 3.1.1 正态分布 (7) 3.1.2 二项分布 (8) 3.1.3 游程检验 (9) 3.2 单因素方差分析 (10) 3.3 卡方检验 (12) 3.4 相关与线性回归的分析方法 (13) 3.4.1 相关分析 (13) 3.4.2 线性回归模型 (15) 4 高级阶段方法部分..................................... 16 4.1 信度 (16) 71 ................................................................... 效度4.2 一、数据样本描述 分析数据来自于“微盘一一SPSS数据包data02-01 ”。 本次分析的数据为某公司474名职工状况统计表，其中共包含11 个变量，分别是: id （职工编号）,gender（性别），bdate（出生日期）,edcu（受教育水平程度）, jobcat （职务等级），salbegin （起始工资），salary （现工资），jobtime（本单位工作经历＜月＞），prevexp（以前工作经历＜月＞），minority（民族类型），age（年龄）。通过运用SPSS统计软件，对变量进行统计分析，以了解该公司职工总体状况，并分析职工受教育程度、起始工资、现工资的分布特点及相互间的关系。
现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示： 问题 题项 从未使用 很少使用 有时使用 经常使用 总是使用 1 2 3 4 5 a1 电脑 a2 录音磁带 a3 录像带 a4 网上资料 a5 校园网或因特网 a6 电子邮件 a7 电子讨论网 a8 CAI 课件 a9 视频会议 a10 视听会议 一．因子分析的定义 在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。 因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。 二．数学模型 i m im i i i i U F F F F Z +++++=αααα · · · 332211 i Z 为第i 个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的 那批分数中的相对位置的。） m F 为共同因子； m 为所有变量共同因子的数目； i U 为变量i Z 的唯一因素； im α为因子负荷。（也叫因子载荷，统计意义就是第i 个变量与第m 个公共因子的相关系数,它反映了第i 个变量在 第m 个公共因子上的相对重要性也就是第m 个共同因子对第i 个变量的解释程度。） 因子分析的理想情况，在于个别因子负荷im α不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则i U 彼此间不能有关联存在。 所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷im α就是第i 个原有变量和第m 个因子变量间的相关系数，也就是i Z 在第m 个共同因子变量上的相
SPSS因子分析实例操作步骤 实验目的: 引入2003~2013年全国的农、林、牧、渔业,采矿业,制造业电力、热力、燃气及水生产与供应业,建筑业,批发与零售业,交通运输、仓储与邮政业7个产业的投资值作为变量,来研究其对全国总固定投资的影响。 实验变量: 以年份,合计(单位:千亿元),农、林、牧、渔业,采矿业,制造业电力、热力、燃气及水生产与供应业,建筑业,批发与零售业,交通运输、仓储与邮政业作为变量。 实验方法:因子分析法 软件:spss19、0 操作过程: 第一步:导入Excel数据文件 1.open data document——open data——open; 2、 Opening excel data source——OK、
第二步: 1、数据标准化:在最上面菜单里面选中Analyze——Descriptive Statistics——OK (变量选择除年份、合计以外的所有变量)、 2.降维:在最上面菜单里面选中Analyze——Dimension Reduction—— Factor ,变量选择标准化后的数据、
3.点击右侧Descriptive,勾选Correlation Matrix选项组中的 Coefficients与KMO and Bartlett’s text of sphericity,点击 Continue、 4、点击右侧Extraction,勾选Scree Plot与fixed number with factors,默认3个,点击Continue、
5、点击右侧Rotation,勾选Method选项组中的Varimax;勾选Display选项组中的Loding Plot(s);点击Continue、 6、点击右侧Scores,勾选Method选项组中的Regression;勾选Display factor score coefficient matrix;点击Continue、
关于某地区361个人旅游情况统计分析报告 一、数据介绍： 本次分析的数据为某地区361个人旅游情况状况统计表，其中共包含七变量，分别是：年龄，为三类变量；性别，为二类变量（0代表女，1代表男）；收入，为一类变量；旅游花费，为一类变量；通道，为二类变量（0代表没走通道，1代表走通道）；旅游的积极性，为三类变量（0代表积极性差，1代表积极性一般，2代表积极性比较好，3代表积极性好 4代表积极性非常好）；额外收入,一类变量。通过运用spss统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析、。。。以了解该地区上述方面的综合状况，并分析个变量的分布特点及相互间的关系。 二、数据分析 1、频数分析。基本的统计分析往往从频数分析开始。通过频数分地区359个人旅游基本状 况的统计数据表，在性别、旅游的积极性不同的状况下的频数分析，从而了解该地区的男女职工数量、不同积极性况的基本分布。 首先，对该地区的男女性别分布进行频数分析，结果如下 表说明，在该地区被调查的359个人中，有198名女性，161名男性，男女比例分别为44.8%和55.2%，该公司职工男女数量差距不大，女性略多于男性。 其次对原有数据中的旅游的积极性进行频数分析，结果如下表：
其次对原有数据中的是否进通道进行频数分析，结果如下表：
表说明，在该地区被调查的359个人中，有没走通道的占81.6%，占绝大多数。 上表及其直方图说明，被调查的359个人中，对与旅游积极性差的组频数最高的，为171 人数的47.6%，其次为积极性一般和比较好的，占比例都为22.0%，积性为好的和非常好的比例比较低，分别为24人和6人，占总体的比例为6.7%和1.7%。 2、探索性数据分析 （1）交叉分析。 通过频数分析能够掌握单个变量的数据分布情况，但是在实际分析中，不仅要了解单个变量的分布特征，还要分析多个变量不同取值下的分布，掌握多个变量的联合分布特征，进而分析变量之间的相互影响和关系。就本数据而言，需要了解现工资与性别、年龄、受教育水平、起始工资、本单位工作经历、以前工作经历、职务等级的交叉分析。现以现工资与职务等级的列联表分析为例，读取数据（下面数据分析表为截取的一部分）： Count
因子分析 ? 因子分析（Factor analysis ）：用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis ）：是因子分析一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA ）和因子分析（FA ）是两种把变量维数降低以便于描述、理解和分析的方法。 ? 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 ? 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 ? 分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : 当p 较大时，在p 维空间中考察问题比较麻烦。这就需要进行降维处理，即用较少几个综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。 线性组合：记x1，x2，…，xP 为原变量指标，z1，z2，…，zm （m ≤p ）为??????????????=np n n p p x x x x x x x x x X 212222111211
Gender Educational Level (years)N Valid 474474Missing 00关于某公司474名职工综合状况的统计分析报告 1、 数据介绍： 本次分析的数据为某公司474名职工状况统计表，其中共包含十一变量，分别是：id （职工编号），gender(性别)，bdate(出生日期)，edcu （受教育水平程度），jobcat （职务等级），salbegin （起始工 资），salary （现工资），jobtime(本单位工作经历<月>)，prevexp(以前工作经历<月>)，minority(民族类型)，age(年龄)。通过运用spss 统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析、。。。以了解该公司职工上述方面的综合状况，并分析个变量的分布特点及相互间的关系。2、 数据分析 1、 频数分析。基本的统计分析往往从频数分析开始。通过频数分析 能够了解变量的取值状况，对把握数据的分布特征非常有用。此次分析利用了某公司474名职工基本状况的统计数据表，在gender(性别)、edcu （受教育水平程度）、不同的状况下的频数分析，从而了解该公司职工的男女职工数量、受教育状况的基本分布。 Statistics 首先，对该公司的男女 性别分布进行频数分析，结果如下： Gender FrequencyPercent Valid Percent Cumulative Percent Valid Female 21645.645.645.6 Male 258 54.4 54.4 100.0 Total 474100.0100.0 上表说明，在该公司的474名职工中，有216名女性，258名男性，男女比例分别为45.6%和54.4%，该公司职工男女数量差距不大，男性略多于女性。 其次对原有数据中的受教育程度进行频数分析，结果如下表 ： Educational Level (years) Valid Cumulative
SPSS因子分析实例操作步骤 实验目的： 引入2003~2013年全国的农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业7个产业的投资值作为变量，来研究其对全国总固定投资的影响。 实验变量： 以年份，合计（单位：千亿元），农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业作为变量。 实验方法：因子分析法 软件： 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open； 2. Opening excel data source——OK. 第二步： 1.数据标准化：在最上面菜单里面选中Analyze——Descriptive Statistics——OK （变量选择除年份、合计以外的所有变量）. 2.降维：在最上面菜单里面选中Analyze——Dimension Reduction——Factor ，变量选择标准化后的数据. 3.点击右侧Descriptive，勾选Correlation Matrix选项组中的 Coefficients和KMO and Bartlett’s text of sphericity,点击 Continue.
4.点击右侧Extraction,勾选Scree Plot和fixed number with factors，默认3个，点击Continue. 5.点击右侧Rotation，勾选Method选项组中的Varimax；勾选Display选项组中的Loding Plot(s)；点击Continue. 6.点击右侧Scores，勾选Method选项组中的Regression；勾选Display factor score coefficient matrix；点击Continue. 7.点击右侧Options，勾选Coefficient Display Format选项组中所有选项，将Absolute value blow改为，点击Continue. 8.返回主对话框，单击OK. 输出结果分析：
S P S S因子分析实例操作步骤 实验目的： 引入2003~2013年全国的农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业7个产业的投资值作为变量，来研究其对全国总固定投资的影响。 实验变量： 以年份，合计（单位：千亿元），农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业作为变量。 实验方法：因子分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件??? 1.opendatadocument——opendata——open； 2.Openingexceldatasource——OK. 第二步： 1.数据标准化：在最上面菜单里面选中Analyze——DescriptiveStatistics——OK?（变量选择除年份、合计以外的所有变量）. 2.降维：在最上面菜单里面选中 Analyze——DimensionReduction——Factor?，变量选择标准化后的数据. 3.点击右侧Descriptive，勾选CorrelationMatrix选项组中的 Coefficients和KMOandBartlett’stextofsphericity,点击Continue. 4.点击右侧Extraction,勾选ScreePlot和fixednumberwithfactors，默认3个，点击Continue. 5.点击右侧Rotation，勾选Method选项组中的Varimax；勾选Display选项组中的LodingPlot(s)；点击Continue. 6.点击右侧Scores，勾选Method选项组中的Regression；勾选Displayfactorscorecoefficientmatrix；点击Continue. 7.点击右侧Options，勾选CoefficientDisplayFormat选项组中所有选项，将Absolutevalueblow改为0.60，点击Continue. 8.返回主对话框，单击OK. 输出结果分析： 1.描述性统计量
《统计分析软件（双语）》 实验报告 题目：关于“某地区买房数据”的分析报告 姓名： 学号：1204100215 专业：统计学 院系：统计学院 指导教师： 完成日期：2014年12月10日
摘要 利用SPSS统计分析软件对“某地区买房”数据进行了描述性统计分析，比较均值，相关分析，回归分析四大类型的数据分析。其中在描述性统计分析中作了频数分析，探索分析，交叉分析，得出了该地区中年龄段在25~45居多，就业大多在国企，文化程度高中和大学所占比重大；大学学历的现居住面积较大，其最大值，最小值以及均值均大于其他三种学历的居住面积。人均居住面积的单样本T检验的出了的结论是人均居住面积与均值之间存在显著性差异。现居住面积和人居住面积的双变量的相关分析得出了两者之间存在显著性差异。在回归分析中得出的结论是现居住面积是服从正态分布的且和满意度是显著相关的。
目录 一、数据简要 (3) 二、数据分析 (3) （一）描述分析性统计, (3) 1，就业状况的频数分析 (3) 2，文化程度的频数分析 (3) 3，现居住面积及人均居住面积的描述性分析 (3) 4，居住面积和文化程度的探索分析 (3) 5，文化程度与年收入的交叉列联表分析 (3) （二）均值比较 (3) 1，人均现住面积和年龄段的描述统计 (3) 2，人均居住面积的单样本T检验 (3) 3，现居住面积的独立样本T检验 (3) （三）相关分析 (3) 1，现居住面积和人居住面积的双变量的相关分析 (3) 2，人均居住面积，现居住面，居住类型的偏相关分析 (3) （四）回归分析 (3) 三、小结 (3)
一、数据简要 本次分析的数据为某年某地719个人买房情况统计表，一共有11个变量，其中现居住面积与人均居住面积为scale变量，其余9个变量为nonscale变量，依次为年龄段，文化程度，从业状况，家庭类型，家庭年收入，住房满意度，卖掉现房，购买户型，是否贷款。
实验指导之四 因子分析的SPSS操作方法 以例为例进行因子分析操作。 1.在SPSS的数据编辑窗口（见图1）点击Analysize →Data Reduction →Factor，打开Factor Analysis对话框如图 2. 图1 因子分析操作
图2 Factor Analysis 对话框 将参与因子分析的变量依次选入Variables框中。例中有8个参与因子分析的变量，故都选入变量框内。 2.单击Descriptives 按钮，打开Descriptives对话框如图3所示。 Statistics栏，指定输出的统计量。 图3 Descriptives对话框 Univariate descriptives 输出每个变量的基本统计描述；
Initial solution 输出初始分析结果。输出主成分变量的相关或协方差矩阵的对角元素。（本例选择） Correlation Matrix栏指定输出考察因子分析条件和方法。 Coefficients相关系数矩阵； Significance levels 相关系数假设检验的P值； Determinant 相关系数矩阵行列式的值； KMO and Bartlett′s test of Sphericity KMO和巴特利检验（本例选择）巴特利检验是关于研究的变量是否适合进行因子分析的检验. 拒绝原假设意味着适合进行因子分析. KMO值等于变量间单相关系数的平方和与单相关系数平方和加上偏相关系数平方和之比, 值越接近1, 意味着变量间的相关性越强,越适合进行因子分分析, KMO值越接近0, 则变量间的相关性越弱. 越不适合进行因子分析. Inverse 相关系数矩阵的逆矩阵； Reproduced 再生相关阵； Anti-image 反映象相关矩阵。 3.单击Extraction 按钮，打开Extraction对话框选项，见图4。
关于某地区361个人旅游情况统计分析报告一、数据介绍： 本次分析的数据为某地区361个人旅游情况状况统计表，其中共包含七变量，分别是：年龄，为三类变量；性别，为二类变量（0代表女，1代表男）；收入，为一类变量；旅游花费，为一类变量；通道，为二类变量（0代表没走通道，1代表走通道）；旅游的积极性，为三类变量（0代表积极性差，1代表积极性一般，2代表积极性比较好，3代表积极性好 4代表积极性非常好）；额外收入,一类变量。通过运用spss统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析，以了解该地区上述方面的综合状况，并分析个变量的分布特点及相互间的关系。 二、数据分析 1、频数分析。基本的统计分析往往从频数分析开始。通过频数分地 区359个人旅游基本状况的统计数据表，在性别、旅游的积极性不同的状况下的频数分析，从而了解该地区的男女职工数量、不同积极性情况的基本分布。 统计量 积极性性别 N有效359359 缺失00 首先，对该地区的男女性别分布进行频数分析，结果如下
性别 频率百分比有效百分 比 累积百分 比 有效女19855.255.255.2 男16144.844.8100.0 合计359100.0100.0 表说明，在该地区被调查的359个人中，有198名女性，161名男性，男女比例分别为44.8%和55.2%，该公司职工男女数量差距不大，女性略多于男性。 其次对原有数据中的旅游的积极性进行频数分析，结果如下表： 积极性 频率百分比有效百分 比 累积百分 比 有效差17147.647.647.6一般7922.022.069.6 比较 好 7922.022.091.6好24 6.7 6.798.3
精选范文、公文、论文、和其他应用文档，希望能帮助到你们！ SPSS简单数据分析报告
目录 一、数据样本描述 (4) 二、要解决的问题描述 (4) 1 数据管理与软件入门部分 (4) 1.1 分类汇总 (4) 1.2 个案排秩 (5) 1.3 连续变量变分组变量 (5) 2 统计描述与统计图表部分 (5) 2.1 频数分析 (5) 2.2 描述统计分析 (5) 3 假设检验方法部分 (5)
3.1 分布类型检验 (5) 3.1.1 正态分布 (5) 3.1.2 二项分布 (6) 3.1.3 游程检验 (6) 3.2 单因素方差分析 (6) 3.3 卡方检验 (6) 3.4 相关与线性回归的分析方法 (6) 3.4.1 相关分析（双变量相关分析&偏相关分析） (6) 3.4.2 线性回归模型 (6) 4 高级阶段方法部分 (6) 三、具体步骤描述 (7) 1 数据管理与软件入门部分 (7) 1.1 分类汇总 (7) 1.2 个案排秩 (8) 1.3 连续变量变分组变量 (10) 2 统计描述与统计图表部分 (11) 2.1 频数分析 (11) 2.2 描述统计分析 (14) 3 假设检验方法部分 (16) 3.1 分布类型检验 (16) 3.1.1 正态分布 (16) 3.1.2 二项分布 (17)
3.1.3 游程检验 (18) 3.2 单因素方差分析 (22) 3.3 卡方检验 (24) 3.4 相关与线性回归的分析方法 (26) 3.4.1 相关分析 (26) 3.4.2 线性回归模型 (28) 4 高级阶段方法部分 (32) 4.1 信度 (32) 一、数据样本描述 本次分析的数据为某公司474名职工状况统计表，其中共包含11个变量，分别是：id（职工编号），gender(性别)，bdate(出生日期)，edcu（受教育水平程度），jobcat（职务等级），salbegin（起始工资），salary（现工资），jobtime(本单位工作经历<月>)，prevexp(以前工作经历<月>)，minority(民族类型)，age(年龄)。通过运用SPSS统计软件，对变量进行统计分析，以了解该公司职工总体状况，并分析职工受教育程度、起始工资、现工资的分布特点及相互间的关系。 二、要解决的问题描述 1 数据管理与软件入门部分 1.1 分类汇总 以受教育水平程度为分组依据，对职工的起始工资和现工资进行数据
因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在： 计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解
SPSS探索性因子分析的过程
现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示： 一. 因子分析的定义
在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。 因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。 二. 数学模型 Z i i1F1 i2^ i3F3 …im F m U i 乙为第i个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的那批分数中的相对位置的。） F m为共同因子； m为所有变量共同因子的数目； U为变量Z的唯一因素； i个变量与第im为因子负荷。（也叫因子载荷，统计意义就是第 m个公共因子的相关系数，它反映了第i个变量在第m个公共因子上的相对重要性也就是第m个共同因子对第i个变量的解释程
度。） 因子分析的理想情况，在于个别因子负荷im不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则U彼此间不能有关联存在。 所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷.就是第i个原有变量和第m个因子变量间的相关系数，也就是Z在第m个共同因子变量上的相对重要性，因此，.绝对值越大则公共因子和原有变量关系越强。在因子分析中有两个重要指针：一为“共同性”，二为“特征值”。 所为共同性，也称变量共同度或者公共方差，就是每个变量在每个共同因子的负荷量的平方总和（一横列中所有因子负荷的的平方和），也就是个别变量可以被共同因子解释的变异量百分比，这个值是个别变量与共同因子间多元相关的平方。从共同性的大小可以判断这个原始变量与共同因子间的关系程度。如果大部分变量的共同度都高于0.8，则说明提取出的共同因子已经基本反映了各原始变量80%以上的信息，仅有较少的信息丢失，因子分析效果较好。而各变量的唯一因素就是1减掉该变量共同性的值，就是原有变量不能
SPSS 数据分析报告 学生姓名：李婷 学号：0904100223 专业：统计学 班级：统计0902 指导教师：朱钰 完成日期：2011年12月17日
目录 一．数据简介 ........................................................................................... 错误！未定义书签。二．数据分析 .. (3) 三．描述性分析 (5) 四.探索性分析 (6) 1.交叉分析 (6) 2.茎叶图 (7) 3 p-p 图分析 (11) 五.证实性分析 (12) 1.相关分析 (12) 2.回归分析 (13) 3.参数检验 (15) （1）单样本T检验 (16) （2）独立样本T检验 ............................................................. 错误！未定义书签。
关于某地区361个人旅游情况统计分析报告 一、数据介绍： 此数据来源于https://www.doczj.com/doc/143101141.html,/publications/jse/jse_data_archive.htm 本次分析的数据为某地区361个人旅游情况状况统计表，其中共包含七变量，分别是：年龄，为三类变量；性别，为二类变量（0代表女，1代表男）；收入，为一类变量；旅游花费，为一类变量；通道，为二类变量（0代表没走通道，1代表走通道）；旅游的积极性，为三类变量（0代表积极性差，1代表积极性一般，2代表积极性比较好，3代表积极性好4代表积极性非常好）；额外收入,一类变量。通过运用spss统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析、。。。以了解该地区上述方面的综合状况，并分析个变量的分布特点及相互间的关系。 二、频数分析： 基本的统计分析往往从频数分析开始。通过频数分地区359个人旅游基本状况的统计数据表，在性别、旅游的积极性不同的状况下的频数分析，从而了解该地区的男女职工数量、不同积极性况的基本分布。 首先，对该地区的男女性别分布进行频数分析，结果如下 表说明，在该地区被调查的359个人中，有198名女性，161名男性，男女比例分别为44.8%和55.2%，该公司职工男女数量差距不大，女性略多于男性。
SPSS与数据统计分析期末论文影响学生对学校服务满意程度的因素分析
一、数据来源 本次数据主要来源自本校同学，调查了同学们年级、性别、助学金申请情况、生源所在地、学院、毕业学校、游历情况、家庭情况、升高、体重、近视程度、学习时间、经济条件、兴趣、对学校各方面的评价、与对学校总评价以及建议等共41条信息，共收集数据样本724条。我们将运用SPSS，对变量进行频数分析、样本T检验、相关分析等手段，旨在了解同学们对学校提供的满意程度与什么因素有关。 二、频数分析 可靠性统计 克隆巴赫Alpha项数 .98562 对全体数值进行可信度分析
本次数据共计724条，首先从可靠性统计来看，alpha值为0.985，即全体数据绝大部分是可靠的，我们可以在原始数据的基础上进行分析与处理。 其中，按年级来看，绝大多数为大二学生填写（占了总人数的67.13%），之后分别依次为大二（23.76%）、大四（4.14%）、大一（4.97%）。而从专业来看，占据了数据绝大多数样本所在的学院为机械、材料、经管、计通。 三、数据预处理 拿到这份诸多同学填写的问卷之后，我们首先应对一些数据进行处理，对于数据的缺失值处理，由于我们对本份调查的分析重点方面是关于学生的经济情况的，因此对于确实的部分数据，升高、体重、近视度数、感兴趣的事等无关项我们均不需要进行缺失值的处理，而我们可能重点关注的每月家里给的钱、每月收入以及每月支出，由于其具有较强主观性，如果强行处理缺失值反而会破坏数据的完整性，因此我们筛去未填写的数据，将剩余数据当作新的样本进行分析。 而对于一些关键的数据，我们需要做一些必要的预处理，例如一些调查项，我们希望得到数值型变量，但是填写时是字符型变量，我们就应该新建一个数字型变量并将数据复制，以便后续分析。同时一些与我们分析相关的缺省值，一些明显可以看出的虚假信息，我们都需要先
关于某公司474名职工综合状况的统计分析报告 一、数据介绍： 本次分析的数据为某公司474名职工状况统计表，其中共包含十一变量，分别是：id（职工编号），gender(性别)，bdate(出生日期)，edcu（受教育水平程度），jobcat（职务等级），salbegin （起始工资），salary（现工资），jobtime(本单位工作经历<月>)，prevexp(以前工作经历<月>)，minority(民族类型)，age(年龄)。通过运用spss统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析、。。。以了解该公司职工上述方面的综合状况，并分析个变量的分布特点及相互间的关系。 二、数据分析 1、频数分析。基本的统计分析往往从频数分析开始。通过频数分析能够了解变量的取值状 况，对把握数据的分布特征非常有用。此次分析利用了某公司474名职工基本状况的统计数据表，在gender(性别)、edcu（受教育水平程度）、不同的状况下的频数分析，从而了解该公司职工的男女职工数量、受教育状况的基本分布。 Statistics 首先，对该公司的男女性别分布进行频数分析，结果如下： Gender 上表说明，在该公司的474名职工中，有216名女性，258名男性，男女比例分别为45.6%和54.4%，该公司职工男女数量差距不大，男性略多于女性。 其次对原有数据中的受教育程度进行频数分析，结果如下表： Educational Level (years)
上表及其直方图说明，被调查的474名职工中，受过12年教育的职工是该组频数最高的，为190人，占总人数的40.1%，其次为15年，共有116人，占中人数的24.5%。且接受过高于20年的教育的人数只有1人，比例很低。 2、描述统计分析。再通过简单的频数统计分析了解了职工在性别和受教育水平上的总体分 布状况后，我们还需要对数据中的其他变量特征有更为精确的认识，这就需要通过计算基本描述统计的方法来实现。下面就对各个变量进行描述统计分析，得到它们的均值、标准差、片度峰度等数据，以进一步把我数据的集中趋势和离散趋势。
SPSS期末报告 关于员工受教育程度对其工资水平的影 响统计分析报告 课程名称：SPSS统计分析方法 姓名：汤重阳 ________ 学号：______________ 所在专业：人力资源管理 所在班级：三班
目录 一、数据样本描述 (1) 二、要解决的问题描述 (1) 1数据管理与软件入门部分 (1) 1.1分类汇总 (1) 1.2个案排秩 (1) 1.3连续变量变分组变量 (1) 2统计描述与统计图表部分 (1) 2.1频数分析 (1) 2.2描述统计分析 (1) 3假设检验方法部分 (2) 3.1分布类型检验 (2) 3.1.1正态分布 . (2) 3.1.2二项分布 . (2) 3.1.3游程检验 . (2) 3.2单因素方差分析 (2) 3.3卡方检验 (2) 3.4相关与线性回归的分析方法 (2) 3.4.1相关分析（双变量相关分析 &偏相关分析） (2) 3.4.2线性回归模型. (2) 4高级阶段方法部分 (2) 三、具体步骤描述 (3) 1数据管理与软件入门部分 (3) 1.1分类汇总 (3) 1.2个案排秩 (3) 1.3连续变量变分组变量 (4)
2统计描述与统计图表部分 (5) 2.1频数分析 (5) 2.2描述统计分析 (6) 3假设检验方法部分 (7) 3.1分布类型检验 (7) 3.1.1正态分布 . (7) 3.1.2二项分布 . (8) 3.1.3游程检验 . (9) 3.2单因素方差分析 (10) 3.3卡方检验 (12) 3.4相关与线性回归的分析方法 (13) 3.4.1相关分析 . (13) 3.4.2线性回归模型 . (15) 4高级阶段方法部分 (16) 4.1信度 (16) 4.2效度 (17)
SPSS因子分析的基本概念和步骤
因子分析的基本概念和步骤 四、因素分析的操作说明 Statistics/Data Reduction/Factor… （统计分析/数据缩减/因子…） 出现“Factor Analysis”（因子分析）对话框，将左边框中鉴别度达显著性的a1～a22选如右边“Variables”（变量）下的空框中。 其中五个按钮内的图标意义如下： Descriptives（描述性统计量）按钮，会出现“Factor Analysis:Descriptives”（因子分析：描述性统计量）对话窗口 1．“Statistics”(统计量)选项框
（1）“ Univariate descriptives”（单变量描述性统计量）：显示每一题项的平均数、标准差。 （2）“ Initial solution”（未转轴之统计量）：显示因素分析未转轴前之共同性（communality）、特征值（eigenvalues）、变异数百分比及累积百分比。 2．“Correlation Matric”(相关矩阵)选项框 （1）“ Coefficients”（系数）：显示题项的相关矩阵； （2）“ Significance levels”（显著水准）：求出前述矩阵的显著水准； （3）“ Determinant”（行列式）：求出前述相关矩阵的行列式值； （4）“ KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）：显示KMO抽样适当性参数与Bartlett的球形检定； （5）“ Inverse”（倒数模式）：求出相关矩阵的反矩阵； （6）“ Reproduced”（重制的）：显示重制相关矩阵，上三角形矩阵代表残差值；而主对角线及下三角形代表相关系数； （7）“ Anti-image”（反映象）：求出反映象的共变量及相关矩阵； 在“Factor Analysis:Descriptives”对话窗口中，选取“ Initial solution”、“ KMO and Bartlett’s test of sphericity”二项。 ?Extraction…（萃取…）按钮，会出现“Factor Analysis:Extraction”（因子分析：萃取）对话窗口 1．“Method”（方法）选项框：下拉式选项内有7种选取因素的方法 （1）“Principal components”法：主成份分析法抽取因素，此为SPSS内定方法； （2）“Unweighted least squares”法：未加权最小平方法； （3）“Ggeneralized least square”法：一般化最小平方法； （4）“Mmximum likelihood”法：最大概似法； （5）“Principal-axis factoring”法：主轴法；